受联邦学习启发的模糊系统： decentralized rule updating for privacy and scalable decision making

模糊系统是一种允许机器、系统和框架处理不确定性的方法，而大多数计算机使用的二进制系统无法做到这一点。这些系统已经被部署用于某些用例，模糊系统可以受本文提案的改进。诸如机器学习和联邦学习等技术可以为模糊系统提供灵感。机器学习是近期的技术突破，可应用于模糊系统以进一步提高其产出效果。联邦学习也是近期具有巨大潜力的技术，可通过降低隐私风险、减轻网络基础设施负担和缩短最新模型延迟来提高机器学习训练效果。联邦学习的某些方面可用于改进联邦学习，例如将构成模糊系统关键部分的模糊规则的更新思想应用到模糊系统中，以便随时间的推移进一步提高其性能。本文讨论了这些改进将如何在模糊系统中实现，以及它们如何改进模糊系统。它还讨论了潜在改进的某些局限性。本文得出结论，这些提出的想法和改进需要进一步调查以确定改进幅度，但有潜力改进模糊系统。